开场白不搞铺垫，直接说事。前几天参加了一场线下技术聚会，主题是“AI在日常工作里的真实落地”。其中一个演示环节，台上的开发者用一套AI工作流，现场处理一份模拟项目X的运营数据——从一堆乱七八糟的Excel报名表里提取信息、清洗格式、跟用户表匹配、生成统计报表、再输出一份带图表的汇总PPT，整个过程不到三分钟。要放在以前，这类活我大概要安排一个人蹲三天：一天导数据，一天写公式做透视表，一天做PPT对数字。
那阵子全场安静了几秒，然后就是掌声。但说实话，我坐下面鼓完掌之后，心里一直是凉的。因为只有长期干过这种活的人，才知道那三分钟意味着什么。
这篇内容就是聊聊那场聚会带给我的震荡，以及震荡之后我做的事。适合正在跟表格、跟重复性数据打交道的人，也适合做开发但还没真正把AI接进自己工作流的人。我不会给结论说“AI要取代我们”这种空话，而是把现场拆开、把技术拆开、把“三天”这个时间拆开，最后说说我现在怎么重新安排自己的工作方式。
1. 现场实况：十分钟演示，戳穿了三年来的“舒适区”
1.1 那台笔记本上到底发生了什么
演示的场景不算复杂，但足够真实。某公司一个线下活动的报名渠道有好几个，有问卷链接填的、有现场二维码扫的、还有表格文档手填的，最后统一汇成一份一千多行的Excel，里面既有多余表头、也有合并单元格、还有各种日期格式和手机号格式混在一起。
过去我们处理这种数据，流程基本是固定的：先把Excel打开看结构，然后写几个Excel公式拆列、清洗，中间还得手工处理那些空格、换行符、全角半角混用的问题；再用vlookup或者写个小脚本去匹配用户信息；最后做透视表统计、调格式、截图贴进PPT。整个流程对熟练的人来说也能跑通，但极其消耗精力，因为真正的“技术含量”大概只有20%，剩下80%都是耐心活。
演示者做了几步：把原始Excel上传到AI工作台，用文字描述“把这批报名记录清洗成标准格式，按状态字段过滤掉无效报名，跟用户资料表匹配补齐渠道来源和城市，然后按城市、渠道两个维度统计转化率并生成一份带结论摘要的分析报告”。AI自动拆解成若干子任务，逐个执行。中间有一轮让人印象深刻的交互：AI读出来“发现有37行手机号位数异常，已标注待确认”的时候，演示者追加了一句“自动按最后四位补全规则处理，并在结果里留下标记列”。然后AI继续跑完，输出了一份带图表的汇总PPT。
现场花了大概十分钟拆解这个Demo，但AI实际执行的时间只有三分钟不到。
1.2 这不是“自动化脚本”，这是“听懂人话的实习生”
我们以前也会写自动化脚本来干这种事，Python配Pandas，从读取、清洗到统计、导出，几个小时能把流程固化下来。但问题是：写脚本本身需要时间，遇到新格式就得改代码，遇到没见过的字段又得加规则。很多人不是不会写，是不想为一次性的活投入开发成本，最后又回到手工复制粘贴。
这次演示的差异在于交互方式变了。你不需要提前知道“数据里有哪些坑”，因为AI会在执行过程中自己发现，然后报给你确认，或者按照你给的原则顺手处理掉。它像一个听懂需求、能独立操作工具、还会问你问题的高级实习生，而不是一台只能按指令运行的机器。
这个“用自然语言指挥AI干活”的能力，背后是大模型加上了工具使用能力。大模型负责理解意图和拆解任务，工具集负责真实执行。这跟以前单纯让AI“生成一段代码给你”不一样，现在是AI自己调用运行环境、自己跑代码、自己读取结果、自己修正错误，人类在中间做决策和验收。
1.3 为什么见惯了技术Demo，这次还是被击中
技术聚会上的演示我见过不少，大多数都是“我有好的想法给你们看看”，观众看完感叹一下“挺酷的”就完了。但这次不一样，它演示的不是一个炫技产品，而是一个已经有沉淀的、常见的、低技术门槛的工作场景——而我也确实经常做这种场景下的活。
在场好几个同行都在做数据岗位。散场后大家围在一起聊，说得最多的不是“AI真厉害”，而是“这个活我们组现在就是这么干的”。有一瞬间我觉得自己的工作内容被射线照了一遍，每一处都清清楚楚摆在别人面前。
那个演示之所以造成震荡，是因为它替我把“工作本身可以被拆解”这件事揭示得太残酷了：凡是你花大量时间练成的重复性技能，都排在要被替代的前列。这不是技术悲观主义，而是看完之后的直接反应。
2. 技术拆解：AI到底凭什么把三天压缩成三分钟
2.1 “三天”这块时间的真实构成
先说清楚“三天”到底在干嘛。很多人听到“AI三分钟做完三天工作”会觉得夸张，但只要拆开时间的粒度，就会发现一点都不夸张。
以处理一批线下活动报名数据为例，我按工时拆过一次：
- 第一天上午：从三个渠道导出原始表，发现格式不统一，手工把字段对齐，处理合并单元格、重复表头、日期格式。
- 第一天下午：发现手机号、邮箱字段有大量脏数据，开始肉眼排查、删空格、补缺失。
- 第二天上午：拿清洗后的表和另一个用户归属表做匹配，都是Excel vlookup，但经常出现格式不一样匹配不上，还得手动拆列转格式，跑一次match半天。
- 第二天下午：做透视表，按几个维度切统计，切完发现口径不对要重来，再另开一张表验证数字。
- 第三天：把统计结果贴进PPT，调格式，写“数据说明”和“异常提示”，给领导汇报前还要自己再对一遍数字。
这些环节拆出来没有一个是需要“创造力”的，全都是熟练工种。但为什么还要花三天？因为人在操作时，每一步都受到物理限制：眼睛要看格子，手要复制粘贴，大脑要在多个表格之间来回切换。人的短期记忆容量有限，不可能同时处理一千行数据里所有的异常情况。
AI不一样。它能同时读取一千行，能在一瞬间跑完一百次匹配，能自动把“数字对不上”的地方列成清单。它花的时间不是在“执行”上，而是在“理解意图”那几秒钟上。
2.2 让AI自动干活的核心链路：大模型+工具+反馈循环
现在很多AI应用能直接“干活”，而不是“聊天”，关键是把几个能力合在一起用：
- 任务理解：大模型读取用户输入，把模糊的需求拆成可执行的步骤清单。比如“清洗数据”会被拆成去除空行、统一日期、检查手机号、过滤无效状态等多个子任务。
- 工具调用：AI不只是输出文本，它还能调用代码解释器执行Python，调用数据处理库做分析，调用文档生成器输出文件。这就是所谓的Agent能力，智能体会根据目标选工具，而不仅仅是“给建议”。
- 结果读取与纠错：每一步执行完，AI会检查输出是否符合预期。发现异常就修正，错误就重新跑，这也是它敢直接给你交付文件的原因。
- 反馈闭环：演示者追加“按最后四位补全”的时候，AI不重跑整个任务，而是在原有流程里插入一条处理规则，继续往下走。这很像真实工作里一个成熟员工在拿到补充信息后重新调整流程的样子。
用生活类比来说，以前的AI工具是一本功能强大的手册，你查完还得自己去操作。现在的AI智能体更像一个年轻的执行助理，你给它目标、资源、原则，它自己拆活、干活、发现问题再回来问你。这个转变才是“三分钟”能成立的关键。
2.3 重新算一笔效率账：为什么能快出两个数量级
很多人以为AI快是因为机器运算速度惊人。这句话只说对一半。真正的速度差来自两个地方。
第一，它不用“读屏”。人干数据活时，绝大多数时间消耗在“看表格-判断-选择位置-执行操作”这条链路上。AI直接对着数据对象操作，没有视觉寻路成本。你让一个熟练的人连续复制粘贴一小时，手会酸，注意力会下降；AI不会，它每一次操作都跟第一次一样稳定。
第二，它能并行。人处理数据几乎是串行的：一行一行过，或者一个sheet一个sheet地看。AI在批量处理任务时是并行的，一条规则同时作用于所有行。拿那个演示来说，校验手机号格式这一环节，一千多行是一次完成的，而不是一行一行扫。
我曾经用Python写过类似脚本，逻辑不复杂，但光写规则就花了几小时，还要反复调试。现在AI最大的价值是“执行代码的门槛降到了零”：你不用手写Pandas脚本，你说一句“把日期统一格式”，代码它就帮你生成、执行、验证。那个演示最核心的不是“能做”，而是“你做这件事时已经不需要有编程能力”。技术普惠到这一步，才真正影响到了每一个做数据的普通职场人。
3. 震荡本身：被打开的，是“工作可替代性”这个盒子
3.1 它不是取代创意，而是接管“苦力层”
过去几年我看过不少关于“AI取代人类”的讨论，大多集中在创意领域，比如画画、写文案。坦白说，作为技术工作者，我对这类话题一直有距离感，总觉得“AI替代的只是下游执行，上游想法还得靠人”。但这次聚会演示让我意识到，自己很可能一直在逃避一个更直接的事实：大量岗位的核心工作根本不在“上游创意”，而是在中游的整理、匹配、校验、汇总上。
数据清洗、报表生成、信息匹配、文档校对、跨系统搬运信息、按时按点地盯进度——这些工作占了很多岗位一半以上的时间。它们不需要创造力，但需要耐心和细心，恰恰是AI最擅长的事。AI三分钟做完三天工作量这件事最刺眼的地方就在这里：它不是替代了一个需要辩论的“艺术家”，而是替代了无数人每天赖以完成KPI的“体力活”。
我身边做运营、做项目助理、做财务、做HR的人，工作日常里可能有80%都是这类活。一旦AI把这些活全部接管，那么靠这些活建立起的“工作熟练度”优势，瞬间就没了。
3.2 为什么“看起来简单的事”反而是最危险的
有一个认知误区是：“我的工作很复杂，不是简单录入。”但真实情况是，复杂工作大多可以拆成简单任务的排列组合。开会要定时间地点的流程、立项要填的模板、周报要写的格式、数据要出的口径，全都是规则化的。
AI对这类任务的最大优势是，它不需要“重新学习岗位说明书”，只需要你告诉它一次规则，它就能举一反三。更让人不安的是，那些做起来觉得“很有人情味”“需要经验”的环节——比如判断字段是否重要、决定异常是删掉还是标出来——本质上也只是一些if-then决策，完全可以固化成规则。
在过去，这些规则藏在人脑里，岗位就安全。现在，任何能说清楚的规则都可以快速沉淀成提示词模板或者自动化流程。也就是说，岗位的安全边界不在于“你会不会做”，而在于“你的活儿能不能被明确描述”。能被明确描述的，就能被替代。
我在那个聚会的讨论环节讲了一句：自动化的可怕之处不是机器学会了什么，而是它逼我们重新回答一个问题——如果所有人都知道我每天都干了什么，他们还需要我去干吗？这个问题没有标准答案，但它值得每个还在埋头做重复劳动的人想一遍。
3.3 震荡之后，真正难熬的是“重新定位自己”
散会后，我和几个同行坐在外面的台阶上聊了很久。有个做数据分析的同学说得比较直白：他说自己平时跟同事比的核心优势就是Excel技能更强，数据透视表、Power Query都用得飞起，AI这么一搞，他引以为傲的技能贬值速度让他一时半会儿缓不过劲来。
这种感受我特别理解。因为过去几年我们积累的经验，很多都是建立在“工具笨、流程旧、数据脏”的前提上。我们会处理脏数据，是因为数据真的脏；我们会写复杂的匹配公式，是因为两套表确实对不上。可AI一出来，这些前提全部消失了，让以前花几年练成的功夫变成了不必要的步骤。这不是“技能过时”那么简单，而是我们整个人对工作的认知都需要修整。
我自己的情绪也是从“兴奋”到“恐慌”，最后落到“冷静”的。兴奋是因为工具确实好用，恐慌是因为发现自己有一大半技能是会贬值的技术，冷静是因为我意识到，至少现在的AI还得有人给它定义目标、设定原则、验收结果。震荡的核心不是“AI能做我的工作”，而是“如果我只做AI能做的事，那我存在的价值就不再由自己定义”。
4. 出路：把“三天”拆到底，是为了找到不可替代的那部分
4.1 按这个框架给自己的工作做一次“体检”
如果只停留在焦虑层面，那震荡就白震了。那场聚会之后我做的第一件事，是拿自己最近三个月做过的事列了一张清单，按三个标签分类：
- R类（Rule-based，规则型）：重复流程、固定格式、明确规则的任务。
- J类（Judgment-based，判断型）：需要业务理解、优先级判断、口径选择的任务。
- C类（Collaboration-based，协作型）：要跟人沟通、对齐预期、说服协调的任务。
列完之后真实情况是，R类占了大概55%，J类占了25%，C类占20%。这还只是一个粗略的划分，但已经足够说明问题：我之前有超过一半的工作时间，是在做可以被明确描述、规则化、自动化的任务。
这个动作本身很快，大家今晚就能做。但做完之后要追问几个问题：R类里哪些能做成标准流程？J类里的判断依据能不能变成算法规则？C类里哪些涉及真正的语境理解和信任构建？回答完这些问题，才算对自己到底哪里不可替代有了点感觉。
4.2 一个“最小自动化”的落地路径
如果你现在面对一堆重复任务，不知道怎么下手，我的建议是从“最小闭环”开始：挑一个每周都要做的、比较痛的、规则清晰的活儿，做成一个固定的AI处理流程。
举个例子。我过去每周都要汇总各渠道的周报，五花八门的格式，还得统一模板再发给负责人。现在我把这个流程做成了一套东西：一个固定的提示词模板、一份标准的输入格式说明、一个输出模板。每周收到大家填写的周报后，我直接丢进AI工作流，它会自动按模板提取信息、汇总要点、标出异常项，我只做最后的检查和润色。
具体怎么搭，不一定要用多复杂的工具。你只需要一个支持代码解释器的AI助手，加一个清晰的任务提示。提示词不用很长，但要把几个元素写清楚：你给AI的角色或背景，目标是，输入数据是怎么给的，输出格式长什么样，遇到异常要怎么处理。我现在的模板大概是这样的：
你是周报汇总助理。我会提供多个来源的周报原始文本，它们格式可能不一致。 请帮我按以下模板做汇总： 1. 按项目名分组 2. 每组列出：本周完成、下周计划、风险点 3. 风险点如果涉及“阻塞”“延期”“人手不足”，单独放到“重点提醒”部分 输出用简洁中文，不要丢失具体数据。如果没有对应信息，写“无”，不要编造。就这么一小段提示词，配合工具的文件上传，我的周报汇总时间从四十分钟降到了五分钟，其中三分钟还是因为我自己想顺便改改文案。关键是这个流程不需要懂代码，不需要买额外的东西，普通打工人就能搭。
4.3 边界意识：哪些东西别急着交给AI
有了工具，不等于所有工作都该扔给它。我在处理的时候给自己划了三条线：
第一条线，涉及跨部门背书的对外数据，AI可以算，但人必须验。口径、边界、异常去向，都要留有记录。AI最擅长的是给你一个“看起来都对”的结果，但它不知道这个数字发出之后要承担什么责任。
第二条线，涉及情绪和判断的沟通场景先别自动化。给合作方写一封措辞委婉的解释邮件、跟供应商周旋一个延期的理由，这些事需要语境理解，也需要关系维护，现阶段让AI代笔容易显得僵硬。
第三条线，学习性的重复任务不要全自动。比如新人刚入职时，做大量重复工作本身就是熟悉业务的过程。如果直接用AI全部代劳，反而是放弃了一次理解业务逻辑的机会。等你自己能干了，再考虑怎么把它智能化。
4.4 心态上的重构：从“怕被替代”到“重新定义工作”
我后来想明白一件事：那场演示带给我震荡，不是因为我马上要被淘汰，而是我过去对“自己工作的本质”想象得过于理想化。我以为自己在做技术分析，其实有大量的时间在做数据搬运和格式整理。AI只是用一个直白的方式提醒我：你实际上的产出，有多少是真的不可替代的？
所以我现在做事的方式变了。拿到一个任务不再问自己“我要怎么把它做出来”，而是先问“这个任务里，有多少环节是需要我来判断的，有多少只是执行”。那些纯执行的环节，我尽量用AI工具做掉，省下的时间不再用来多接活，而是用来理解业务的上下文、补足自己缺失的判断经验、跟人建立合作关系。
这才是震荡之后真正的出路：不是跟AI比谁更会“干活”，而是比谁更能定义“该干什么”。AI是那双手，我们的脑子才是决策的源头。
5. 写在最后的体验
那场技术聚会没有给我任何具体的工具教程，但它给了我一个价值极高的副产品：一连串深入自己工作方法的思考。回家之后，我花了大概两个晚上，把自己手头堆积的“三天类”任务一个个过了一遍，在笔记本上标出哪些可以自动化、哪些可以简化、哪些需要重新跟协作方对齐。这个过程本身就很像给自己的工位做了一次大扫除，扔掉了不少不该长期占着时间的东西。
如果大家也想试试的话，我不建议上来就搞什么全家桶。第一周只选一个任务做，把它拆到能用AI跑通为止。不要被“全自动”这个目标吓到，先做一条能走通的路，哪怕中途还是需要你手动点几下按钮。等流程通了，再慢慢把人的环节减少。区别不在工具，在于你愿不愿意拿一件事开刀，把“三天”磨成“三分钟”这件事认真对待。
